AI 쇼핑 에이전트는 제품 페이지를 사람처럼 둘러보지 않습니다. 페이지를 분해해 읽습니다. 사용자가 ChatGPT, Perplexity, Gemini에 “월 1,000달러 이내이고 지원팀이 있는 프로젝트 관리 소프트웨어를 찾아줘”라고 요청하면, 에이전트는 잘 꾸민 히어로 영역이나 동적 효과보다 페이지 이면의 기계 판독 가능한 구조를 확인합니다. 데이터가 누락됐거나 오래됐거나 화면의 설명과 다르면, 온라인에서 가장 뛰어난 제품이라도 추천 후보에서 곧바로 제외될 수 있습니다.
AI는 제품 페이지를 어떻게 ‘읽을까’?
기존 검색엔진은 페이지 전체의 본문, 제목, 링크를 수집한 뒤 알고리즘에 따라 순위를 매깁니다. AI 쇼핑 에이전트의 작동 방식은 다릅니다. 불과 몇 초 안에 수십 개 후보 페이지에서 가격, 통화, 재고, 요금제 구성, 평점, 환불 정책처럼 비교 가능한 필드를 추출한 뒤, 이를 답변 문장에 넣어 사용자에게 추천합니다. 페이지의 정보가 명확하고 필드가 완전할수록 인용될 가능성도 높아집니다. 제품 페이지 GEO의 핵심은 문구를 더 화려하게 다듬는 데 있지 않습니다. 에이전트가 핵심 정보를 한 번에 가져갈 수 있는 형식으로 제공하는 데 있습니다.
에이전트가 정보를 추출하는 경로는 두 가지입니다. 첫째는 JSON-LD 구조화 데이터를 읽는 방식으로, 가장 빠르고 신뢰도가 높습니다. 둘째는 구조화 데이터가 없을 때 페이지의 일반 텍스트나 이미지 속 문구를 해석하는 방식입니다. 하지만 많은 B2B SaaS 제품 페이지는 첫 번째 작업조차 절반만 해둡니다. Product schema만 배포하고 Offer와 평점 정보를 빠뜨리면, 에이전트는 제품명은 알아도 가격이나 평판을 비교할 수 없습니다. 결국 추천 순위에서 뒤로 밀리게 됩니다.
어떤 구조화 데이터를 사용해야 할까?
Product만 추가하면 제품 페이지의 구조화 데이터 작업이 끝났다고 생각하는 경우가 많습니다. 그러나 AI 쇼핑 에이전트에게 Product는 대상을 식별하는 표지에 불과합니다. 실제 비교에 쓰이는 것은 그 안에 중첩된 필드입니다. 다음 항목 가운데 하나라도 빠지면 추천 기회도 그만큼 줄어듭니다.
- Product 기본 정보: name, description, brand, sku를 제공해 어떤 제품이며 어느 브랜드가 만든 것인지 에이전트가 파악하도록 합니다.
- offers(Offer): price, priceCurrency, availability, priceValidUntil은 예산과 재고 조건을 필터링하는 기준입니다. B2B 구독 상품이라면 월간 또는 연간 결제인지도 표시해야 합니다.
- aggregateRating과 review: ratingValue, reviewCount를 제공합니다. 에이전트는 제품을 추천할 때 평점을 신뢰 신호로 인용하는 경우가 많습니다.
- FAQPage: “어떤 기능을 지원하나요?”, “무료 체험이 있나요?”처럼 실제 사용자가 묻는 질문을 작성하면 에이전트가 해당 내용을 그대로 활용해 답변할 수 있습니다.
- Organization과 sameAs: G2, Capterra, 업계 미디어의 브랜드 프로필을 연결해 신뢰할 수 있는 브랜드 엔터티임을 명확히 합니다.
Offer와 aggregateRating: 에이전트가 가장 선호하는 두 가지 정보
두 가지 필드만 고칠 시간이 있다면 Offer와 aggregateRating부터 손봐야 합니다. 이유는 명확합니다. 사용자가 에이전트에 던지는 질문에는 대개 예산과 신뢰 조건이 포함됩니다. “더 저렴한 제품”, “평점이 더 높은 제품”, “사용자가 많은 제품”을 찾는 식입니다. 이런 질문에 답하려면 에이전트가 Offer에서 가격을, aggregateRating에서 평점 정보를 읽을 수 있어야 합니다. 가격을 이미지에만 표시하고 구조화하지 않으면 에이전트가 이를 읽지 못할 수 있습니다. 사실상 가격 비교 후보에서 스스로 빠지는 셈입니다. B2B SaaS에서 흔히 쓰는 “가격 문의”만으로는 인용되기 어렵습니다. 최소한 시작 가격이나 요금제 규모를 표시해 에이전트가 비교할 기준점을 제공해야 합니다.
제품 페이지는 ‘질문에 답할 수 있도록’ 작성해야 합니다
구조화 데이터가 에이전트에 비교용 필드를 제공한다면, 본문은 에이전트가 실제 답변에 인용할 문장을 제공합니다. 사용자가 “이 제품은 원격 팀에 적합한가요?”라고 물으면 에이전트는 가격만 확인하지 않고 페이지 본문에서 근거가 될 문장을 찾습니다. 따라서 제품 페이지의 각 문단은 그 자체로 완결되어야 합니다. 하나의 문단에서 하나의 강점, 적합한 대상, 구체적인 사용 장면을 분명히 설명해야 하며, 슬라이드 세 장을 넘겨야 핵심을 이해할 수 있는 구성은 피해야 합니다. 자주 묻는 규칙, 제한 사항, 호환성 정보를 짧고 직접적인 답변으로 작성하면, 형용사를 늘어놓는 것보다 에이전트가 문단 전체를 인용하기 쉽습니다.
가장 흔한 오류: 구조화 데이터와 화면 정보의 불일치
고객사의 제품 페이지 GEO를 진단해 보면 가장 자주 발견되는 문제는 schema가 없다는 것이 아니라, schema의 내용과 화면에 표시된 정보가 다르다는 점입니다. 요금제를 새 월간 구독료로 변경했는데 JSON-LD에는 여전히 지난해 가격이 남아 있거나, 화면에는 “기간 한정 90%”라고 써놓고 구조화 데이터에는 정상가를 입력한 사례가 있습니다. 에이전트는 구조화 데이터를 우선하는 경향이 있으므로 잘못된 숫자로 제품을 추천할 수 있습니다. 사용자가 페이지에 들어와 실제 가격이 다르다는 사실을 발견하면 신뢰는 떨어집니다. 더 심각한 사례는 평점을 5.0으로, reviewCount를 수천 건으로 허위 표기하는 것입니다. 이처럼 명백히 조작된 신호는 엔진에 의해 제외될 수 있으며 페이지 전체의 신뢰도까지 훼손합니다. 구조화 데이터의 첫 번째 원칙은 정직성과 동기화입니다. 허위로 표시할 바에는 차라리 적게 표시하는 편이 낫습니다.
오늘 바로 실행할 수 있는 점검 목록
앞의 원칙을 실제 작업으로 옮기려면 제품 페이지 GEO에서 최소한 다음 항목을 점검해야 합니다.
- 구조화 데이터 테스트 도구를 사용해 모든 제품 페이지의 Product, Offer, aggregateRating이 오류 없이 해석되는지 검증합니다.
- 구조화 데이터의 가격이 화면에 표시된 가격과 정확히 일치하는지 확인하고, 가격 변경 절차에 “JSON-LD 동시 업데이트” 단계를 추가합니다.
- 제품 페이지에서 가장 자주 묻는 질문 3개를 FAQPage schema로 작성하고, 답변은 에이전트가 문단 전체를 인용할 수 있는 길이로 제한합니다.
- Organization의 sameAs가 G2, Capterra 같은 제3자 프로필과 연결되어 브랜드 엔터티의 신뢰도를 높이는지 확인합니다.
- 실제 사용자의 질문 3개를 주요 AI 엔진에 입력해 자사 제품이 언급되는지 직접 확인합니다.
제품 페이지 GEO는 일회성 기술 작업이 아니라 지속적인 동기화와 유지관리 업무입니다. 쇼핑 의사결정의 첫 단계가 탭 10개를 여는 것에서 AI에 질문하는 방식으로 바뀌고 있습니다. 이 새로운 경로에서의 브랜드 노출은 에이전트가 제품 정보를 추출하고 정확히 인용할 수 있는지에 달려 있습니다. AI 쇼핑 에이전트의 관점에서 어떤 필드가 빠졌는지, 어떤 정보가 잘못 인용되는지 알고 싶다면 30분 GEO 진단을 예약하세요. 실제 엔진 테스트를 통해 현재의 격차를 보여드립니다.
